Prüfungsleistung
================

In dieser Prüfung entwickeln Sie ein vollständiges System zur
Erkennung von Handgesten auf Basis von Hidden Markov Models (HMM).

.. list-table::
   :align: center
   :widths: auto

   * - .. image:: _static/hmm_d.gif
          :width: 200px
     - .. image:: _static/hmm_e.gif
          :width: 200px
     - .. image:: _static/hmm_g.gif
          :width: 200px

   * - .. image:: _static/hmm_h.gif
          :width: 200px
     - .. image:: _static/hmm_j.gif
          :width: 200px
     - .. image:: _static/hmm_k.gif
          :width: 200px


.. contents:: Die Bewertung umfasst:
   :depth: 2
   :local:

Die einzelnen Komponenten sind aufeinander aufbauend konzipiert und entsprechend zu dokumentieren.
Sie müssen in der Lage sein, sowohl das Gesamtsystem auf abstrakter Ebene als auch Ihren spezifischen Beitrag im Detail zu erläutern.

Aufgabenübersicht
-----------------

1. HandDetector & Preprocessor
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Implementieren Sie Module zur:

- Erkennung von Händen und Landmarken
- Extraktion und Normalisierung von Fingertrajektorien

.. note::

   Diese Komponenten bilden die Grundlage für das gesamte System.

.. warning::

   Ihr Preprocessing muss so gestaltet sein, dass es später vom
   HMM-Classifier sinnvoll verarbeitet werden kann. An diesem Schritt
   sollten am Anfang alle Teilnehmer sinnvoll beteiligt sein.

Implementierungshilfen: :doc:`modules`


2. Datenerfassung (Labeling)
~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Erstellen Sie ein System zur Aufnahme von Trainingsdaten.

Anforderungen:
   - Neue Gesten sollen aufgezeichnet werden können
   - Daten müssen strukturiert gespeichert werden
   - Mehrere Klassen (Labels) müssen unterstützt werden

Erweiterung:
   - Es können auch Abstände zwischen den Fingern uvm. als Feature verwendet werden

.. note::

   In der Prüfung werden neue Daten **live vom Prüfer aufgenommen**.
   Ihr System muss darauf vorbereitet sein.

.. tip::

   Denken Sie über einen effizienten Workflow nach:
      - schnelle Aufnahme
      - einfaches Verwerfen schlechter Sequenzen
      - klare Datenorganisation

Implementierungshilfen: :doc:`labeling`

3. Datenexploration & Visualisierung
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Sie müssen Ihren Datensatz analysieren und verstehen können.

Beispiele:
   - Visualisierung von Trajektorien (z. B. als Plot)
   - Vergleich mehrerer Sequenzen pro Klasse

.. figure:: _static/dataset.png
   :width: 80%
   :align: center

   Beispielhafte Visualisierung eines Datensatzes mit mehreren Trajektorien pro Klasse.

Zusätzlich:
   - Darstellung der Modellperformance (z. B. Confusion Matrix)

.. note::

   Gute Modelle entstehen nur mit guten Daten.

.. tip::

   Nutzen Sie Visualisierung aktiv zum Debugging.

Implementierungshilfen: :doc:`visualization`


4. HMMClassifier (Training & Inferenz)
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~

Implementieren Sie einen eigenen Klassifikator basierend auf
Hidden Markov Models.

Anforderungen:
   - Trainieren Sie ein Modell pro Klasse
   - Klassifizieren Sie Sequenzen anhand ihrer Wahrscheinlichkeit
   - Wählen Sie die Klasse mit dem besten Score

.. warning::

   Der Klassifikator muss **selbst implementiert werden**.
   Es reicht nicht, fertige Lösungen zu verwenden.

.. tip::

   Überlegen Sie:
      - Wie strukturieren Sie Ihre Trainingsdaten?
      - Wie vergleichen Sie Modelle?
      - Wie gehen Sie mit Sequenzlängen um?

Erweiterung (optional):
   - Grid Search für Hyperparameter (z. B. Anzahl Zustände, Modellstruktur)
   - Vergleich verschiedener Modellkonfigurationen

Implementierungshilfen: :doc:`hmmclassifier`

5. Live-Modus
~~~~~~~~~~~~~

Ihr System soll in der Lage sein:
   - Live-Daten aufzunehmen
   - Diese direkt zu verarbeiten
   - Eine Geste in Echtzeit zu klassifizieren

.. note::

   Dies ist der finale Integrationstest Ihres Systems.

.. warning::

   Alle Komponenten müssen hier zuverlässig zusammenspielen:
      - Detector
      - Preprocessor
      - Classifier


Bewertungskriterien
-------------------

Die Bewertung orientiert sich an folgenden Punkten:
   - Funktionalität des Gesamtsystems
   - Qualität und Struktur der Daten
   - Verständlichkeit und Nachvollziehbarkeit
   - Robustheit der Lösung
   - Qualität der Modellperformance

.. tip::

   Eine sehr gute Lösung zeichnet sich dadurch aus, dass:
      - das System stabil läuft
      - die Daten sauber aufbereitet sind
      - die Ergebnisse nachvollziehbar erklärt werden können

.. note::

   Bonuspunkte können durch weiterführende Ansätze erzielt werden,
   wie z. B. Hyperparameter-Optimierung oder zusätzliche Analysen.


Dokumentation
-------------

Sie müssen in der Lage sein, Ihr System zu erklären:
   - Aufbau der Pipeline
   - Entscheidungen im Design
   - Interpretation der Ergebnisse

.. warning::

   Die hier gezeigte Struktur sowie die konkrete Implementierung der Module
   stellen lediglich eine mögliche Referenz dar.

   Abweichende Ansätze sind ausdrücklich erlaubt und erwünscht, solange
   die funktionalen Anforderungen erfüllt werden. Eine identische Umsetzung
   ist nicht erforderlich.

Implementierungshilfen
======================
.. toctree::
   :maxdepth: 2

   intro
   modules
   labeling
   visualization
   hmmclassifier